🌀 nonlinear sciences

Flocking phase transition and threat responses in bio-inspired autonomous drone swarms

이 논문은 최소한의 국소적 상호작용 규칙에 의존하는 자율 드론 군집을 위한 생체 모방형 3D 군집 알고리즘이 군집(swarming)과 군집 형성(schooling) 사이의 급격한 상전이를 나타내며, 이를 임계점 근처에서 조절할 경우 침입자와 같은 외부 위협에 대한 군집의 반응성과 회복력을 크게 향상시킨다는 것을 입증한다.

원저자: Matthieu Verdoucq, Dari Trendafilov, Clément Sire, Ramón Escobedo, Guy Theraulaz, Gautier Hattenberger

게시일 2026-07-07

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Matthieu Verdoucq, Dari Trendafilov, Clément Sire, Ramón Escobedo, Guy Theraulaz, Gautier Hattenberger

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

새 떼를 상상해 보세요. 그들에게는 명령을 내리는 선장이 없으며, 어디로 가야 할지 알려주는 중앙 컴퓨터도 없습니다. 또한 하늘에 있는 모든 새와 대화할 필요도 없습니다. 대신, 각 새는 단지 자신의 가장 가까운 이웃 두세 마리에게만 주의를 기울입니다. 만약 이웃이 왼쪽으로 돌면, 그 새도 왼쪽으로 돕니다. 만약 너무 가까워지면, 그 새는 조금 뒤로 물러납니다.

이 논문은 열 대의 아주 작은 드론이 정확히 그렇게 하도록 가르치는 방법에 관한 것입니다. 연구진은 이 드론들이 어떻게 물고기 떼나 새 떼처럼 함께 움직이게 할 수 있는지, 그리고 더 중요한 것은, 어떻게 그 군집이 포식자나 침입자와 같은 위협에 즉각적으로 반응하게 만들 수 있는지를 알아보고 싶었습니다.

연구 결과는 다음과 같이 쉽게 설명됩니다.

제어의 두 가지 "노브(Knob)"

연구진은 각 드론이 이웃을 기반으로 두 가지 단순한 규칙만을 따르는 시스템을 구축했습니다.

정렬(Alignment): "내 이웃들과 같은 방향을 향하도록 돌 것."
끌림(Attraction): "내 이웃들과 가까이 머물되, 부딪히지는 말 것."

그들은 복잡한 전략을 프로그래밍하지 않았습니다. 대신, 그저 두 개의 "노브"(이득, gains)를 올리거나 내려서 어떤 일이 일어나는지 관찰했습니다. 한 노브는 드론들이 얼마나 열심히 같은 방향을 향하려고 노력할지를 조절했고, 다른 노브는 드론들이 얼마나 서로 붙어 있으려고 노력할지를 조절했습니다.

비행의 세 가지 "모드"

이 노브들을 조절함에 따라, 드론들은 마치 물이 얼음, 액체, 또는 증기가 될 수 있는 것처럼 세 가지 뚜렷한 그룹, 즉 "상태(phases)"로 나뉘었습니다.

"스웜(Swarm)" (느슨한 무리): "정렬" 노브가 낮을 때, 드론들은 같은 방향을 향하는 것에 별로 신경 쓰지 않았습니다. 그들은 파티에서 원형으로 모여 수다를 떠는 사람들처럼 함께 모여 있었습니다. 그들은 함께 머물렀지만, 모두 다른 방향을 향하고 있었습니다. 약간은 혼란스러운 상태였습니다.
"스쿨(School)" (단단한 대열): "정렬" 노브를 높게 올리면, 드론들은 완벽하고 빽빽한 대열로 빠르게 정렬되었습니다. 그들은 마치 행진하는 밴드나 물고기 떼처럼 모두 정확히 같은 방향으로 날아갔습니다. 이는 매우 안정적이고 질서 정연했습니다.
"임계 구역(Critical Zone)" (최적의 지점): 이 부분이 가장 흥식적인 부분입니다. 느슨한 무리와 단단한 대열 사이에는 좁은 중간 지점이 있었습니다. 이 구역에서 드론들은 혼돈과 질서의 경계에 있었습니다. 완벽하게 정렬된 상태는 아니었지만, 매우 민감했습니다.

왜 "임계 구역"이 특별한가

연구진은 이 중간 단계인 "임계 구역"에서 작동하는 것이 드론을 변화에 훨씬 더 빠르게 반응하게 만든다는 것을 발견했습니다.

붐비는 방 안에서의 "전화기 게임(말 전달 게임)"을 생각해 보세요.

**단단한 대열(Tight Formation)**에서는 모두가 발맞추어 행진하는 데 너무 집중한 나머지, 누군가 당신을 밀더라도 그냥 비틀거릴 뿐 계속 행진을 이어갈 수 있습니다. 안정적이지만 방향을 바꾸는 데는 느립니다.
**느슨한 무리(Loose Crowd)**에서는 모두가 수다를 떨고 있습니다. 누군가 당신을 밀면 당신은 엉뚱한 곳으로 갈 수도 있지만, 집단 전체가 반응하지는 않습니다.
**임계 구역(Critical Zone)**에서 집단은 거의 서 있을 뻔한 카드 탑과 같습니다. 만약 누군가 작은 입김(작은 위협)을 불면, 전체 구조가 즉시 물결치며 움직입니다.

논문은 "나쁜 놈" 드론(침입자)이 군집을 향해 날아올 때, 임계 구역에 있는 드론들이 가장 빠르게 반응했다는 것을 보여줍니다. 그들은 단순히 당황한 것이 아니라, 침입자를 피하기 위해 협동하여 빠르게 회전했고, 공간을 만들기 위해 대열을 확장한 다음, 몇 초 만에 다시 단단한 그룹으로 복귀했습니다. 그들은 가장 "민감"하게 반응하여 위협에 즉각 재편성될 수 있었습니다.

"일방통행 문" 효과

연구진은 또한 드론들이 이 모드들 사이를 전환할 때 재미있는 현상을 발견했습니다.

만약 당신이 갑자기 "정렬" 노브를 높여서(단단한 학교처럼 만들려고) 하면, 드론들은 약 5초 만에 대열을 갖추었습니다. 마치 스위치를 켜는 것 같았습니다.
만약 노브를 낮추면(느슨한 무리로 만들려고), 대열이 깨지고 느슨해지는 데는 15초가 걸렸습니다.
사람들을 일렬로 세우는 것이 사람들이 다시 수다를 떨며 흩어지게 만드는 것보다 쉽습니다. 일단 발을 맞추기 시작하면, 그들은 한동안 그 상태를 유지하려는 경향이 있습니다.

실제 세계의 테스트

이것이 단순한 컴퓨터 시뮬레이션이 아님을 증명하기 위해, 팀은 열 대의 실제 드론을 야외로 가지고 나갔습니다. 그들은 바람과 실제 환경의 소음이 있는 넓은 들판에서 드론을 날렸습니다. 심지어 그들은 그룹을 겁주기 위해 "침입자" 역할을 하는 두 번째 드론을 보냈습니다.

실제 드론들은 시뮬레이션과 똑같이 행동했습니다. 침입자가 다가오자, "임계 구역"에 있던 군집은 극적인 집단 회피 동작을 수행했습니다. 그들은 수직으로 확장(위아래로 갈라짐)하고 급격히 회전한 다음, 몇 초 만에 완벽하게 다시 결성되었습니다.

핵심 요점

이 논문의 주요 교훈은 로봇 군집을 똑똑하게 만들기 위해 똑똑한 리더나 복잡한 통신이 필요하지 않다는 것입니다. 단지 단순한 규칙과 적절한 "조율(tuning)"만 있으면 됩니다.

드론들을 저 "임계 구역"(혼돈과 질서 사이의 중간 지점)에 유지함으로써, 여러분은 두 가지 장점을 모두 얻을 수 있습니다. 즉, 함께 날 수 있을 만큼 안정적이면서도, 위험에 즉각 반응할 수 있을 만큼 민감한 상태를 만드는 것입니다. 이것은 야생의 새 떼처럼 강인하면서도 유연한 로봇 군집을 만드는 방법입니다.

기술 요약: 생체 모방형 자율 드론 군집의 군집 위상 전이 및 위협 대응

문제 정의
동물 집단(예: 물고기 떼, 새 떼)의 집단 운동은 자율 비행 군집을 위한 강력한 설계 원칙을 제공하지만, 이론적인 군집 모델과 실제 물리적 로봇 군집 사이에는 상당한 격차가 존재한다. 실제 무인 항공기(UAV) 군집은 센싱 노이즈, 통신 지연, 공력 교란과 같은 제약 조건 하에서 작동하며, 이는 이상적인 모델에서 예측된 일관성을 무너뜨리는 원인이 된다. 핵심적인 미해결 과제는 국소적 상호작용 규칙의 강도 변화가 드론 군집의 전역적 집단 상태에 어떻게 영향을 미치는지, 그리고 특정 전이 영역(임계성) 근처에서 운용하는 것이 안정성을 해치지 않으면서 외부 위협에 대한 반응성을 향상시킬 수 있는지 여부이다. 기존 연구들은 현실적인 3D 항공 환경에서 이러한 효과를 위상 전이 또는 임계 현상의 관점에서 체계적으로 분석하지 않았다.

방법론
저자들은 생체 모방형 3D 군집 알고리즘을 개발하였으며, 이를 10대의 개조된 Parrot Bebop 2 쿼드로터 군집을 이용한 수치 시뮬레이션과 실외 자유 비행 실험을 통해 검증하였다.

상호작용 모델: 제어 프레임워크는 최소한의 구성으로, 가장 영향력이 큰 두 개의 이웃 드론과의 국소적 상호작용에 의존한다. 각 드론은 두 가지 주요 제어 이득(gain)을 바탕으로 운동을 조정한다:
- 정렬 이득 ( $\gamma_{Ali}$ ): 이웃과 헤딩(heading)을 정렬하려는 경향을 정량화한다.
- 인력 이득 ( $\gamma_{Att}$ ): 개체 간 간격과 집단의 응집력을 조절한다.
- 제어 법칙은 사회적 상호작용을 항법 목표 및 침입자 회피 행동과 결합하여 수평 속도, 상승률, 코스 방향을 조절한다.
실험 설정: 프랑스 세스타스(Cestas)의 테스트 시설에서 다양한 풍속(18~~22 km/h) 조건 하에 실외 실험을 수행하였다. 군집은 고도 5~~15m, 직경 50m의 가상 아레나 내에서 작동하였다.
시나리오: 세 가지 시나리오를 테스트하였다:
1. 베이스라인(Baseline): $\gamma_{Ali}$ 를 체계적으로 변화시켜 위상도(phase diagram)를 매핑한다.
2. 스위칭(Switching): 저(군집 형성, swarming) 및 고(군집 항해, schooling) 정렬 이득 사이를 반복적으로 전이하며 전이 역학 및 비대칭성을 분석한다.
3. 침입자(Intruder): 군집의 무게 중심에 접근하는 비협조적 "침입자" 드론을 도입하여 위협 대응을 테스트한다.
분석: 연구에는 편극도(polarization, 정렬), 분산(dispersion, 공간적 조밀도), 최소 개체 간 거리를 포함한 표준 집단 운동 지표가 사용되었다. 감수성(susceptibility)은 편극도 변동의 분산을 통해 정량화되었다. 시뮬레이션에서는 실제 세계의 지연과 노이즈를 재현하기 위해 보정된 1차 비행 역학 모델을 사용하였다.

주요 기여

위상도 매핑: 본 연구는 3D 드론 군집에 대한 위상도를 성공적으로 매핑하여 다음과 같은 뚜렷한 영역을 식별하였다:
- 군집 형성(Swarming): 낮은 편극도와 높은 분산을 보이는 느슨한 집합 상태.
- 군집 항해(Schooling): 높은 편극도와 낮은 분산을 보이는 고도로 협응된 운동 상태.
- 임계 영역(Critical Region): 군집 형성(swarming)과 군집 항해(schooling) 사이의 중간 지대로, 편극도 변동과 감수성이 정점에 달하는 구간이다.
항공 군집에서의 임계성: 저자들은 자율 드론 군집이 현실적인 센싱 및 역학 조건 하에서 집단 상태 간의 날카롭고 재현 가능한 전이를 보임을 입증하였다. 그들은 임계 영역이 물리계의 상전이와 유사하게 질서 매개변수(편극도)의 변동이 최대가 되는 특성을 가짐을 확인하였다.
비대칭적 전이 역학: 연구 결과, 상태 간의 전이는 본질적으로 비대칭적임이 밝혀졌다. 군집 형성에서 군집 항해로의 전환(정렬 증가)은 빠르게(약 5초) 발생하는 반면, 그 반대 과정(정렬 감소)은 훨씬 더 오래(약 15초) 걸린다.
위협 대응 메커니즘: 연구는 위상도 내의 위치가 침입자에 대한 군집의 반응을 어떻게 결정하는지 정량화하였다. 임계 영역 근처에서 운용되는 군집이 외부 섭동에 대해 가장 빠르게 재조직될 수 있음을 보여주었다.

결과

위상 전이: 상호작용 이득을 체계적으로 튜닝한 결과, 군집 형성(swarming)과 군집 항해(schooling) 사이의 명확한 경계가 드러났다. 임계 영역은 편극도 변동이 최대가 되는 지점으로 식별되었다. 드론 수를 10대에서 20대로 늘리자 이 전이가 더욱 날카로워졌다.
감수성 및 반응성: 임계 영역에서 작동하는 군집은 외부 섭동에 대해 가장 높은 감수성을 보였다. 침입자와 마주했을 때, 이 군집들은 신속한 집단 선회와 일시적 확장을 수행하였으며, 5~6초 이내에 높은 정렬 상태를 회복하였다.
침입자 대응 역학:
- 군집 형성(Swarming) 영역: 집단 속도는 안정적으로 유지하면서 주로 공간적 재조직(확장)을 통해 대응하였다.
- 군집 항해(Schooling) 영역: 높은 편극도와 응집력을 유지하며, 침입자를 피하기 위해 집단 속도와 방향을 수정하며 대응하였다.
- 임계(Critical) 영역: 하이브리드 형태의 반응을 보였는데, 강한 일시적 공간 개방(군집 형성 특성)과 유의미한 집단 방향 재설정(군집 항해 특성)을 결합하였다. 이 영역은 전체 그룹의 대규모 가속 없이도 신속한 재조직을 가능하게 하였다.
시뮬레이션 vs. 실제: 시뮬레이션과 현장 실험은 일관된 경향을 보였으나, 경험적 임계 영역은 시뮬레이션보다 더 높은 정렬 이득 쪽으로 이동되어 있었다. 이러한 차이는 단순화된 1차 비행 모델에서 완전히 포착되지 않은 통신 지연, 전송 오류 및 바람의 교란 때문인 것으로 분석되었다.

의의
본 논문은 단순한 생체 모방형 국소 상호작용 규칙만으로도 다수의 집단 상(phase)을 생성할 수 있으며, 상호작용 이득을 조절하는 것이 드론 군집의 안정성, 유연성 및 회복력을 조절하는 효율적인 메커니즘을 제공한다고 주장한다. 주요 의의는 임계 전이점 근처에서 운용하는 것이 군집의 응답성을 높이면서도 빠른 응집력 회복 능력을 유지할 수 있음을 입증한 데 있다. 이는 '플로킹(flocking)'을 단순히 복제해야 할 행동이 아니라, 제어 가능한 집단 상태로 간격히 보아야 함을 시사한다. 상호작용 이득을 튜닝함으로써, 운영자는 드론 군집을 효율적이고 안정적인 이동 모드에서 탐사나 방어 기동에 적합한 고반응성 구성으로 자율적으로 전환할 수 있다. 이 접근 방식은 복잡한 계층 구조나 광범위한 통신 없이도 동적이고 예측 불가능하며 잠재적으로 적대적인 환경에서 UAV 집단을 관리하기 위한 확장 가능한 탈중앙화 솔루션을 제공한다.